[发明专利]结合改进的FCNN和水平集的三维脑肿瘤图像分割方法

说明书

本发明涉及一种结合改进的FCNN和水平集的三维脑肿瘤图像分割方法，步骤如下：对T1、T1C、T2和FLAIR四种模态的MRI脑肿瘤图像进行去除偏置场效应和灰度归一化的预处理操；使用改进的FCNN对预处理后的脑肿瘤图像进行初分割；利用水平集方法对脑肿瘤初分割图像进行精分割：将脑肿瘤的初分割图像作为待分割图像输入到水平集方法中，利用分割目标边界信息和区域信息细化脑肿瘤的分割边界。

技术领域

本发明是医学影像领域中的一个重要领域，将医学图像和计算机算法结合，完成三维脑肿瘤核磁共振图像分割。具体涉及一种结合改进的FCNN和水平集方法的三维脑肿瘤图像分割算法。

背景技术

近年来，脑肿瘤发病率呈上升趋势。由于脑肿瘤膨胀的浸润性生长，在颅内一旦占据一定空间，不论其性质是良性还是恶性，都势必使颅内压升高，压迫脑组织，导致中枢神经损害，危及患者生命。核磁共振成像(Magnetic Resonance Imaging,MRI)具有无放射线损害、无骨性伪影、能多方面多参数成像以及具有高度的软组织分辨能力等独特优点，特别适合用于临床脑部病变检查，为医生准确地做出诊断和制定治疗方案提供条件。脑肿瘤MRI模态包括T1加权(T1-weighted,T1)、对比增强T1加权(Contrast Enhanced T1-weighted,T1C)、T2加权(T2-weighted,T2)和液体衰减反转恢复脉冲(Fluid Attenuated InversionRecovery,FLAIR)等成像模态，不同成像模态可以提供互补信息来分析脑肿瘤，临床上通常结合以上四种图像共同诊断脑肿瘤的位置和大小。例如，T2模态和FLAIR模态突出显示脑肿瘤周围水肿区域，该区域称为全肿瘤；T1模态和T1C模态突出显示没有水肿的肿瘤区域，该区域称为肿瘤核心；在T1C模态中能够观察到具有高强度信号的肿瘤核心增强区域，该区域称为增强肿瘤。目前，脑肿瘤主要依靠专家手动分割完成，而人工分割耗时费力，分割结果因人而异。因此，研究一套全自动、精确度高的脑肿瘤分割系统是十分必要的。

近年来，基于深度神经网络的分割方法已成功应用于多模态脑肿瘤分割。Havaei等使用卷积神经网络(Convolutional Neural Network,CNN)，将肿瘤的局部特征信息和全局特征信息结合起来，以便网络更好地学习脑肿瘤特征，于此得到了较好的分割结果，然而，他们的工作是在二维(Two-dimensional,2D)切片上实现的，没有考虑切片与切片之间的相关信息；Wenqi Li等提出了一种端到端的三维(Three-dimensional,3D)CNN结构，该网络结构能够利用脑肿瘤图片高分辨率的多尺度特征进行分割，但运行过程会消耗大量计算机内存，影响分割精确度。

为了提高神经网络的训练精度，本发明对3D全卷积神经网络(FullyConvolutional Neural Network,FCNN)进行改进，引入残差结果以改变卷积层连接方式，并通过改变卷积层通道使网络融合三个不同网络深度的特征信息，提高网络性能。为了提高分割精确度，本发明将深度学习和传统机器学习算法的结合应用在脑肿瘤分割，对改进的FCNN分割后的脑肿瘤图像使用水平集方法进行精分割，进一步细化初分割结果中的脑肿瘤边界，能够有效提高脑肿瘤分割准确性。

发明内容

本发明的目的在于提出一种结合改进的FCNN和水平集方法的三维脑肿瘤图像分割算法，以便能够准确地分割脑肿瘤，便于满足后续临床需求。技术方案如下：

一种结合改进的FCNN和水平集的三维脑肿瘤图像分割方法，步骤如下：

(1)对T1、T1C、T2和FLAIR四种模态的MRI脑肿瘤图像进行去除偏置场效应和灰度归一化的预处理操；

(2)使用改进的FCNN对预处理后的脑肿瘤图像进行初分割，方法如下：